La taille croissante des ensembles de données modernes, combinée à la difficulté d'obtenir des informations d'étiquetage, a rendu l'apprentissage semi-supervisé l'un des problèmes d'une importance pratique majeure dans l'analyse de données moderne. Nous reprenons l'approche de l'apprentissage semi-supervisé avec des modèles génératifs et développons de nouveaux modèles permettant une généralisation efficace à partir de petits ensembles de données étiquetés vers de grands ensembles non étiquetés. Jusqu'à présent, les approches génératives ont été soit peu flexibles, soit inefficaces ou non évolutives. Nous montrons que les modèles génératifs profonds et l'inférence bayésienne approximative, exploitant les récentes avancées en méthodes variationnelles, peuvent être utilisés pour apporter des améliorations significatives, rendant les approches génératives hautement compétitives pour l'apprentissage semi-supervisé.